[論文レビュー] Non-negative Sparse and Collaborative Representation for Pattern Classification

Jun Xu, Xu Zhou+3 more|arXiv (Cornell University)|Aug 20, 2019

Face and Expression Recognition参考文献 62被引用数 5

ひとこと要約

本稿では、パターン分類の性能を向上させるためにスパース表現およびコラボラティブ表現における非負性を強制する、非負でスパースかつ協調的表現（NSCR）という新規手法を提案する。テストサンプルをトレーニングサンプルの非負線形結合として表現することにより、NSCRは識別力を向上させ、ベンチマークデータセット上での従来のSR/CR手法および最先端のディープラーニングアプローチを上回る優れた性能を達成する。

ABSTRACT

Sparse representation (SR) and collaborative representation (CR) have been successfully applied in many pattern classification tasks such as face recognition. In this paper, we propose a novel Non-negative Sparse and Collaborative Representation (NSCR) for pattern classification. The NSCR representation of each test sample is obtained by seeking a non-negative sparse and collaborative representation vector that represents the test sample as a linear combination of training samples. We observe that the non-negativity can make the SR and CR more discriminative and effective for pattern classification. Based on the proposed NSCR, we propose a NSCR based classifier for pattern classification. Extensive experiments on benchmark datasets demonstrate that the proposed NSCR based classifier outperforms the previous SR or CR based approach, as well as state-of-the-art deep approaches, on diverse challenging pattern classification tasks.

研究の動機と目的

• スパース表現およびコラボラティブ表現における識別力の向上を、非負性を強制することによって実現する。
• 複雑な現実世界の分類タスクを処理する際の、従来のスパースおよびコラボラティブ表現手法の限界を解消する。
• 最先端のアプローチを上回る性能を示す、非負でスパースかつ協調的表現に基づく新しい分類器を開発する。
• 非負制約が表現の忠実性および分類の正確性を向上させる効果を検証する。

提案手法

• NSCR手法は、各テストサンプルの表現をトレーニングサンプルの非負線形結合として定式化する。
• スパarsityと協調性を同時に最適化しつつ、表現係数に非負性を強制する。
• 表現の正確性、スパarsity、非負性のバランスを取る制約付き最適化問題を解く。
• 分類器は、再構成誤差またはトレーニングクラスとの類似度に基づいて、NSCR係数から分類スコアを計算する。
• 非負性は最適化定式化においてボックス制約またはペナルティ項を用いて強制される。
• 標準的なベンチマークデータセットを用いて、多様なパターン分類タスクに本手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 スパースおよびコラボラティブ表現に非負性を強制することで、分類性能が向上するか？
• RQ2 NSCRは、従来のスパース表現およびコラボラティブ表現と比較して、正確性およびロバスト性において優れているか？
• RQ3 NSCRは、挑戦的なパターン分類タスクにおいて、最先端のディープラーニングモデルを上回っているか？
• RQ4 非負性は、表現ベクトルの識別力にどのような影響を与えるか？

主な発見

• NSCRに基づく分類器は、従来のスパース表現およびコラボラティブ表現手法と比較して、優れた分類正確性を達成する。
• NSCRは、多様なベンチマークパターン分類データセット上で、最先端のディープラーニングアプローチを上回る性能を示す。
• 非負制約は表現の識別力を向上させ、よりロバストな分類結果をもたらす。
• 提案手法は、複数の挑戦的な分類タスクにおいて一貫した性能向上を示す。